主题: Deep Learning with Python

摘要: 《 Python深度学习》第二版全面介绍了使用Python和强大的Keras库进行的深度学习领域。 由Keras的创建者Google AI研究人员FrançoisChollet撰写,此修订版已更新了新章节,新工具和最新研究中的尖端技术。 读者将通过实际示例和直观的说明来加深理解,这些示例使深度学习的复杂性易于理解。

成为VIP会员查看完整内容
0
84

相关内容

Python是一种面向对象的解释型计算机程序设计语言,在设计中注重代码的可读性,同时也是一种功能强大的通用型语言。

改进您的编程技术和方法,成为一个更有生产力和创造性的Python程序员。本书探索了一些概念和特性,这些概念和特性不仅将改进您的代码,而且还将帮助您理解Python社区,并对Python哲学有深入的了解和详细的介绍。

专业的Python 3,第三版给你的工具写干净,创新的代码。它首先回顾了一些核心的Python原则,这些原则将在本书后面的各种概念和示例中进行说明。本书的前半部分探讨了函数、类、协议和字符串的各个方面,描述了一些技术,这些技术可能不是常见的知识,但它们共同构成了坚实的基础。后面的章节涉及文档、测试和应用程序分发。在此过程中,您将开发一个复杂的Python框架,该框架将整合在本书中所学到的思想。

这个版本的更新包括Python 3中迭代器的角色、用Scrapy和BeautifulSoup进行web抓取、使用请求调用没有字符串的web页面、用于分发和安装的新工具等等。在本书的最后,您将准备好部署不常见的特性,这些特性可以将您的Python技能提升到下一个级别。

你将学习

  • 用各种类型的Python函数实现程序
  • 使用类和面向对象编程
  • 使用标准库和第三方库中的字符串
  • 使用Python获取web站点数据
  • 通过编写测试套件来自动化单元测试
  • 回顾成像、随机数生成和NumPy科学扩展
  • 理解Python文档的精髓,以帮助您决定分发代码的最佳方式

这本书是给谁看的 熟悉Python的中级程序员,希望提升到高级水平。您应该至少编写了一个简单的Python应用程序,并且熟悉基本的面向对象方法、使用交互式解释器和编写控制结构。

成为VIP会员查看完整内容
0
154

本书通过提供真实的案例研究和示例,为使用Python库进行机器学习提供了坚实的基础。它涵盖了诸如机器学习基础、Python入门、描述性分析和预测分析等主题。包括高级机器学习概念,如决策树学习、随机森林、增强、推荐系统和文本分析。这本书在理论理解和实际应用之间采取了一种平衡的方法。所有的主题都包括真实世界的例子,并提供如何探索、构建、评估和优化机器学习模型的逐步方法。

成为VIP会员查看完整内容
Machine Learning using Python by Manaranjan Pradhan.pdf
0
233

掌握通过机器学习和深度学习识别和解决复杂问题的基本技能。使用真实世界的例子,利用流行的Python机器学习生态系统,这本书是你学习机器学习的艺术和科学成为一个成功的实践者的完美伴侣。本书中使用的概念、技术、工具、框架和方法将教会您如何成功地思考、设计、构建和执行机器学习系统和项目。

使用Python进行的实际机器学习遵循结构化和全面的三层方法,其中包含了实践示例和代码。

第1部分侧重于理解机器学习的概念和工具。这包括机器学习基础,对算法、技术、概念和应用程序的广泛概述,然后介绍整个Python机器学习生态系统。还包括有用的机器学习工具、库和框架的简要指南。

第2部分详细介绍了标准的机器学习流程,重点介绍了数据处理分析、特征工程和建模。您将学习如何处理、总结和可视化各种形式的数据。特性工程和选择方法将详细介绍真实数据集,然后是模型构建、调优、解释和部署。

第3部分探讨了多个真实世界的案例研究,涵盖了零售、交通、电影、音乐、营销、计算机视觉和金融等不同领域和行业。对于每个案例研究,您将学习各种机器学习技术和方法的应用。动手的例子将帮助您熟悉最先进的机器学习工具和技术,并了解什么算法最适合任何问题。

实用的机器学习与Python将授权您开始解决您自己的问题与机器学习今天!

你将学习:

  • 执行端到端机器学习项目和系统
  • 使用行业标准、开放源码、健壮的机器学习工具和框架实现实践示例
  • 回顾描述机器学习和深度学习在不同领域和行业中的应用的案例研究
  • 广泛应用机器学习模型,包括回归、分类和聚类。
  • 理解和应用深度学习的最新模式和方法,包括CNNs、RNNs、LSTMs和transfer learning。

这本书是给谁看的 IT专业人士、分析师、开发人员、数据科学家、工程师、研究生

目录:

Part I: Understanding Machine Learning

  • Chapter 1: Machine Learning Basics
  • Chapter 2: The Python Machine Learning Ecosystem Part II: The Machine Learning Pipeline
  • Chapter 3: Processing, Wrangling and Visualizing Data
  • Chapter 4: Feature Engineering and Selection
  • Chapter 5: Building, Tuning and Deploying Models Part III: Real-World Case Studies
  • Chapter 6: Analyzing Bike Sharing Trends
  • Chapter 7: Analyzing Movie Reviews Sentiment
  • Chapter 8: Customer Segmentation and Effective Cross Selling
  • Chapter 9: Analyzing Wine Types and Quality
  • Chapter 10: Analyzing Music Trends and Recommendations
  • Chapter 11: Forecasting Stock and Commodity Prices

Chapter 12: Deep Learning for Computer Vision

成为VIP会员查看完整内容
1
158

简介:

自从2012年以来,最近的技术史上最重大的事件也许就是神经网络爆炸了。标记数据集的增长,计算能力的提高以及算法的创新齐头并进。从那时起,深度神经网络使以前无法实现的任务得以实现,并提高了任务的准确性,使它们超出了学术研究范围,并进入了语音识别,图像标记,生成模型和推荐系统等领域的实际应用。在这种背景下,Google Brain的团队开始开发TensorFlow.js。该项目开始时,许多人认为“ JavaScript深度学习”是一种新颖事物,对于某些用例来说并不能当真。尽管Python已经有了一些完善的,功能强大的深度学习框架,但JavaScript机器学习的前景仍然是零散的和不完整的。在当时可用的少数JavaScript库中,大多数仅支持以其他语言(通常是Python)进行预训练的部署模型。

这本书不仅是作为如何在TensorFlow.js中编写代码的秘诀,而且还是以JavaScript和Web开发人员的母语为基础的机器学习基础入门课程。深度学习领域是一个快速发展的领域。我们相信,无需正式的数学处理就可以对机器学习有深入的了解,而这种了解将使您能够在技术的未来发展中保持最新。有了这本书,您就成为成为成长中的JavaScript机器学习从业人员社区的第一步,他们已经在JavaScript和深度学习之间的交汇处带来了许多有影响力的应用程序。我们衷心希望本书能激发您在这一领域的创造力和独创性。

目录:

内容简介:

本书分为四个部分。第一部分仅由第一章组成,向您介绍了人工智能,机器学习和深度学习的概况,以及在JavaScript中实践深度学习为何有意义。第二部分是对深度学习中最基础和最常遇到的概念的简要介绍。本书的第三部分系统地为希望建立对更前沿技术的理解的用户,提供了深度学习的高级主题,重点是ML系统的特定挑战领域以及与之配合使用的TensorFlow.js工具。

成为VIP会员查看完整内容
0
41

主题: Mastering Machine Learning with Python in Six Steps

简介: 分六个步骤探索高级Python 3主题的基本原理,所有这些步骤都是为了让您成为一个有价值的实践者而设计的。这个更新版本的方法是基于“六度分离”理论,它指出每个人和所有事物都是最大的六步,并将每一个主题呈现为两个部分:理论概念和使用适当的Python 3包的实际实现。您将从Python3编程语言的基础知识、机器学习历史、演化和系统开发框架开始。本文还介绍了探索性分析、特征降维、回归、时间序列预测等关键数据挖掘/分析概念及其在Scikit学习中的有效实现。您还将学习常用的模型诊断和调优技术。其中包括类创建的最佳概率截止点、方差、偏差、bagging、boosting、集成投票、网格搜索、随机搜索、贝叶斯优化以及物联网数据的降噪技术。最后,您将回顾高级文本挖掘技术、推荐系统、神经网络、深度学习、强化学习技术及其实现。本书中提供的所有代码都将以iPython笔记本的形式提供,使您能够尝试这些示例并将它们扩展到您的优势。

作者简介: Swamynathan Manohar 是一名数据科学从业者和一名狂热的程序员,在数据仓库、商业智能(BI)、分析工具开发、即席分析、预测建模、数据科学产品开发、咨询等各种数据科学相关领域拥有超过14年的经验,制定策略并执行分析计划。

成为VIP会员查看完整内容
0
58

《Deep Learning》作为深度学习界的圣经,又名“花书”。英文版由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写,是深度学习领域奠基性的经典教材,中文版由北京大学教授张志华审校出版。

全书的内容包括3个部分:第1部分介绍基本的数学工具和机器学习的概念,它们是深度学习的预备知识;第2部分系统深入地讲解现今已成熟的深度学习方法和技术;第3部分讨论某些具有前瞻性的方向和想法,它们被公认为是深度学习未来的研究重点。 《深度学习》适合各类读者阅读,包括相关专业的大学生或研究生,以及不具有机器学习或统计背景、但是想要快速补充深度学习知识,以便在实际产品或平台中应用的软件工程师。

中文版链接:https://github.com/yanshengjia/ml-road/blob/master/resources/深度学习.pdf

英文版链接:https://github.com/yanshengjia/ml-road/blob/master/resources/Deep%20Learning.pdf

成为VIP会员查看完整内容
0
162

Deep Learning with Python introduces the field of deep learning using the Python language and the powerful Keras library. Written by Keras creator and Google AI researcher François Chollet, this book builds your understanding through intuitive explanations and practical examples.

成为VIP会员查看完整内容
0
82

本书由Keras之父、现任Google人工智能研究员的弗朗索瓦•肖莱(François Chollet)执笔,详尽介绍了用Python和Keras进行深度学习的探索实践,涉及计算机视觉、自然语言处理、生成式模型等应用。书中包含30多个代码示例,步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化,读者无须具备机器学习相关背景知识即可展开阅读。在学习完本书后,读者将具备搭建自己的深度学习环境、建立图像识别模型、生成图像和文字等能力。

第一部分 深度学习基础

  • 第1章 什么是深度学习  2
  • 第2章 神经网络的数学基础  20
  • 第3章 神经网络入门  43
  • 第4章 机器学习基础  74

第二部分 深度学习实践

  • 第5章 深度学习用于计算机视觉  94
  • 第6章 深度学习用于文本和序列  147
  • 第7章 高级的深度学习最佳实践  196
  • 第8章 生成式深度学习  226
  • 第9章 总结  265
成为VIP会员查看完整内容
《Python深度学习》2018中文版.pdf
1
198
小贴士
相关VIP内容
【干货书】机器学习Python实战教程,366页pdf
专知会员服务
233+阅读 · 2020年3月17日
深度学习界圣经“花书”《Deep Learning》中文版来了
专知会员服务
162+阅读 · 2019年10月26日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
82+阅读 · 2019年10月12日
相关资讯
相关论文
A Survey on Bayesian Deep Learning
Hao Wang,Dit-Yan Yeung
46+阅读 · 2020年7月2日
Mingzhen Li,Yi Liu,Xiaoyan Liu,Qingxiao Sun,Xin You,Hailong Yang,Zhongzhi Luan,Depei Qian
9+阅读 · 2020年2月6日
A Modern Introduction to Online Learning
Francesco Orabona
15+阅读 · 2019年12月31日
Optimization for deep learning: theory and algorithms
Ruoyu Sun
81+阅读 · 2019年12月19日
Ziwei Zhang,Peng Cui,Wenwu Zhu
40+阅读 · 2018年12月11日
Hierarchical Deep Multiagent Reinforcement Learning
Hongyao Tang,Jianye Hao,Tangjie Lv,Yingfeng Chen,Zongzhang Zhang,Hangtian Jia,Chunxu Ren,Yan Zheng,Changjie Fan,Li Wang
6+阅读 · 2018年9月25日
Learn What Not to Learn: Action Elimination with Deep Reinforcement Learning
Tom Zahavy,Matan Haroush,Nadav Merlis,Daniel J. Mankowitz,Shie Mannor
4+阅读 · 2018年9月6日
Antoine J. -P. Tixier
10+阅读 · 2018年8月30日
A Multi-Objective Deep Reinforcement Learning Framework
Thanh Thi Nguyen
9+阅读 · 2018年6月27日
Ermo Wei,Drew Wicke,David Freelan,Sean Luke
10+阅读 · 2018年4月25日
Top